LSH para categorías de Wikipedia en Spark

Cargar datos en cluster

Normalmente, este paso no lo hacemos en nuestra sesión de análisis: los datos están distribuidos en un cluster originalmente. Para nuestro ejemplo, limpiamos y cargamos los datos en memoria:

library(tidyverse)

Registered S3 method overwritten by 'dplyr':
  method           from
  print.rowwise_df     
Registered S3 methods overwritten by 'dbplyr':
  method         from
  print.tbl_lazy     
  print.tbl_sql      
── Attaching packages ─────────────────────────────────────────────────────── tidyverse 1.3.0 ──
✔ ggplot2 3.2.1     ✔ purrr   0.3.3
✔ tibble  2.1.3     ✔ dplyr   0.8.3
✔ tidyr   1.0.0     ✔ stringr 1.4.0
✔ readr   1.3.1     ✔ forcats 0.4.0
── Conflicts ────────────────────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()

limpiar <- function(lineas,...){
  df_lista <- str_split(lineas, " ") %>% 
    keep(function(x) x[1] != '#') %>%
    transpose %>%
    map(function(col) as.character(col)) 
  df <- data_frame(articulo = df_lista[[1]], 
                   categorias = df_lista[[2]]) 
  df
}
filtrado <- read_lines_chunked("../../datos/similitud/wiki-100000.txt",
                    skip = 1, callback = ListCallback$new(limpiar))

`data_frame()` is deprecated, use `tibble()`.
This warning is displayed once per session.

Los datos completos están aquí

Consideramos los datos ya tokenizados (los tokens son las categorías):

articulos_df <- filtrado %>% bind_rows
articulos_df

Y registramos en el cluster (en este caso, corremos los scripts localmente):

library(sparklyr)

Registered S3 methods overwritten by 'htmltools':
  method               from         
  print.html           tools:rstudio
  print.shiny.tag      tools:rstudio
  print.shiny.tag.list tools:rstudio
Registered S3 method overwritten by 'htmlwidgets':
  method           from         
  print.htmlwidget tools:rstudio

Attaching package: ‘sparklyr’

The following object is masked from ‘package:purrr’:

    invoke

config <- spark_config()
# configuración para modo local:
config$`sparklyr.shell.driver-memory` <- "2G" # para poder hacer collect de pares más adelante
sc <- spark_connect(master = "local", config = config)

* Using Spark: 2.4.0

# normalmente no copiamos de nuestra sesión de R a un cluster! Para este ejemplo
# con datos chicos es posible:
articulos_wiki_tbl <- copy_to(sc, articulos_df, "articulos_wiki", overwrite = TRUE) 
articulos_wiki_tbl

Agrupamos los tokens en una lista:

art_agr <- articulos_wiki_tbl %>%
        group_by(articulo) %>%
        summarise(lista = collect_list(categorias)) 

Y binarizamos (la representación para usar la implementación de spark es de matriz rala: 1 cuando el token/shingle pertenece al documento, y 0 si no):

art_bin <- art_agr %>% 
        ft_count_vectorizer('lista', 'vector', binary = TRUE) 

# estimator
lsh_wiki_estimator <- ft_minhash_lsh(sc, 'vector', 'hashes', 
                           seed = 1227,
                           num_hash_tables = 5)

lsh_wiki_trans <-  ml_fit(lsh_wiki_estimator, art_bin)
art_bin <- ml_transform(lsh_wiki_trans, art_bin)
art_bin %>% head(5)

Podemos encontrar vecinos cercanos

vec_1 <- art_bin %>% filter(articulo =='Alabama') %>% pull(vector)
similares <- ml_approx_nearest_neighbors(lsh_wiki_trans, 
              art_bin, vec_1[[1]], num_nearest_neighbors = 10) %>% 
              select(articulo, lista, distCol)
print(similares %>% collect)

Encontramos pares similares con un similarity join, por ejemplo:

art_bin <- art_bin %>% mutate(id = articulo)
pares_candidatos <- ml_approx_similarity_join(lsh_wiki_trans, art_bin, art_bin, 0.7,
  dist_col = "distCol") %>% filter(id_a != id_b)
pares_candidatos  %>% tally()

pares <- pares_candidatos %>% filter(distCol < 0.2)
pares %>% tally

pares <- pares %>% collect()

Por ejemplo

DT::datatable(pares %>% filter(str_detect(id_a, "poker") | str_detect(id_b, "poker")))

Nota: la implementación en spark de LSH utiliza solamente amplificación OR. Es posible usar suficientes hashes para obtener pares, y después filtrar los de la distancia que buscamos (¿Cómo implementar familias AND-OR)?